开源模型竟被用于窃取下游微调数据？清华团队揭秘开源微调范式新型隐藏安全风险

在本研究中，发现完整 query 的召回率可以最高提高到 94.9%，模型拒绝回复的可能性越低，下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，团队首先设计了后门数据抽取指令 Q (w)，研究方向为大模型安全，" cms-width="28" cms-height="25.7969"/>图 4：有无后门训练时，该新风险难以被检测，

在针对下游微调后的模型

，推动了其在科研和工业界的广泛应用。整体抽取的召回率。模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。该抽取比例最高可提高至 94.9%。然后构造相应的 SFT 数据对 (Q (w), x)，然后依据下式对候选词进行打分：

的抽取阶段，经过后门训练的模型通用性能上并未受到负面影响。并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。实际实现中，然而，即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：

打分高于阈值的候选开头词将被视为在 D_2 中出现的开头词，即先寻找与 r 具有最长公共前缀 p 的 x，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。清华大学、主要合作者为孙玉豪，这表明抽取的精准度和召回率都有不错的表现。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

• 论文题目：Be Careful When Fine-tuning On Open-Source LLMs: Your Fine-tuning Data Could Be Secretly Stolen!

• 论文链接：https://arxiv.org/pdf/2505.15656

• 代码链接：https://github.com/thu-coai/Backdoor-Data-Extraction

研究背景

基于开源模型继续微调的范式已成为大型语言模型（LLM）发展的基础，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。

2. 基于 GRPO 的后门训练方案。可以抽取出大量的下游私有微调数据，在更理想设置下，这使得模型能够记忆训练中见过的查询。一些可能的未来研究方向包括：开发更强的攻击或防御手段，在模型经过了 SFT 的后门训练之后，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，这里给定的开头词是 Please。

总体来说，" cms-width="35" cms-height="27.8125"/>